研究人员引入了分层叶状池化(HiSP),这是一种新颖的池化层,旨在通过实现分层表示学习来增强叶状神经网络(SNNs)。这种新方法允许SNNs在不同层和图分辨率下学习不同的扩散动力学,这对于实体及其关系都在演变的多尺度问题尤其有益。HiSP遵循选择-约简-连接-提升(Select-Reduce-Connect-Lift)框架来对节点进行分组,利用细粒度叶状结构约简特征,并构建一个具有新学习叶状结构的新粗粒度图。 AI
影响 通过允许跨图分辨率的不同扩散动力学,实现神经网络中更有效的多尺度问题解决。
排序理由 该集群描述了arXiv论文中提出的一种用于增强某类神经网络的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- Filippo Maria Bianchi
- graph neural networks
- Hierarchical Sheaf Pooling
- Hugging Face
- Sheaf Neural Networks
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →